論文の概要: Effective Resistance and Graph Neural Network Reliability in Tissue-Specific Interactomes

• arxiv url: http://arxiv.org/abs/2610.02175v1
• Date: Thu, 01 Oct 2026 17:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.36285
• Title: Effective Resistance and Graph Neural Network Reliability in Tissue-Specific Interactomes
• Title（参考訳）: 組織特異的インタクトームにおける有効抵抗性とグラフニューラルネットワークの信頼性
• Abstract要約: タンパク質関数アノテーションは、モデルが予測するものだけでなく、どの予測を不信にするかを知る必要がある。 組織固有の相互作用構造がその情報を持っているかどうかを問う。 24種以上の組織特異的相互作用体は逆の程度に支配され、共発現フィルターネットワークが成長するにつれて変性が深まる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein function annotation needs to know which predictions to distrust, not only what a model predicts. We ask whether tissue-specific interaction structure carries that information. Our candidate signal is effective resistance, used previously to relieve over-squashing by rewiring. Across 24 tissue-specific interactomes it is dominated by inverse degree, and the degeneration deepens as the co-expression filtered network grows, with a Spearman correlation of -0.955. The residual departure from that limit exceeds degree-preserving null graphs in all 24 networks. Controlling for predictive entropy, degree, annotation cardinality, local structure and feature-only difficulty, the residual explains additional per-node loss in 19 of 24 held-out networks once a permutation floor is subtracted, at every depth, and the effect strengthens monotonically with depth. The increment reaches 0.37% of the variance the controls leave unexplained, 5.6 times a permutation floor, against 1.5 times when the model is retrained in a degree-preserving null world. Selective prediction improves negligibly. The signal is reproducible; degree degeneration bounds it.
• Abstract（参考訳）: タンパク質関数アノテーションは、モデルが予測するものだけでなく、どの予測を不信にするかを知る必要がある。 組織固有の相互作用構造がその情報を持っているかどうかを問う。 候補信号は有効抵抗であり, 従来, スイッチングによるオーバーカッシングの緩和に利用されていた。 24個以上の組織特異的相互作用は逆の程度に支配され、コプレッションフィルターネットワークが成長するにつれて変性は深まり、スピアマン相関は-0.955である。 この極限からの残差は、全24ネットワークにおける次数保存のヌルグラフを超える。 予測エントロピー、度合い、アノテーションの濃度、局所構造、特徴のみの難しさを制御し、残余は、置換フロアがすべての深さで減算されると24のホールトアウトネットワークのうち19のノード当たりの損失を補足し、その効果は深さとともに単調に強化する。 このインクリメントは、制御が説明できないばらつきの0.37%、置換フロアの5.6倍、モデルが保存されるヌルワールドで再トレーニングされる1.5倍に達する。 選択予測は無視的に改善する。 信号は再現可能である。

関連論文リスト

• Recovering Nonlinear Functions of Latent Variables: A Plausible-Value Neural Network Framework [0.0]
  非線形予測において、係数スコアが真の潜在スコアを置き換えるとき、測定誤差は、回復可能な分散を$k$で減衰させる。 有界回復は、観測された指標による結果の予測ではなく、潜在スケール関数を支配している。 18条件シミュレーションは両方の予測をサポートする。
  論文  参考訳（メタデータ） (2026-08-19T08:27:55Z)
• Topological Sensitivity in Connectome-Constrained Neural Networks [0.0]
  コネクトームに制約されたニューラルネットワークは、しばしばスパースランダム制御に対して評価され、生物学的グラフトポロジーが学習効率を向上させる証拠として解釈される。 我々は、ショウジョウバエコネクトーム、単純自己ループ整合ランダムグラフ、および次数保存ヌクレオチドを用いて、制御されたフライバイに基づく研究において、この主張を再考する。
  論文  参考訳（メタデータ） (2026-04-05T09:23:01Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• The Mirror Loop: Recursive Non-Convergence in Generative Reasoning Systems [0.0]
  外部からのフィードバックのない再帰的な自己評価は、進歩よりもむしろ改革をもたらすことが多い。 3つのモデル(OpenAI GPT-4o-mini, Anthropic Claude 3 Haiku, Google Gemini 2.0 Flash)と4つのタスクファミリー(パラメータ、コード、説明、リフレクション)にまたがる144の推論シーケンスについて検討する。 我々はこれを、生成的推論における自己補正の構造的限界の証拠として解釈する。
  論文  参考訳（メタデータ） (2025-10-23T07:53:26Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
  ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。 トラクタブル回路において,これを効率的に計算する方法を示す。 我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
  論文  参考訳（メタデータ） (2023-02-28T00:04:22Z)
• Neural Networks with Sparse Activation Induced by Large Bias: Tighter Analysis with Bias-Generalized NTK [86.45209429863858]
  ニューラル・タンジェント・カーネル(NTK)における一層ReLUネットワークのトレーニングについて検討した。 我々は、ニューラルネットワークが、テクティトビア一般化NTKと呼ばれる異なる制限カーネルを持っていることを示した。 ニューラルネットの様々な特性をこの新しいカーネルで研究する。
  論文  参考訳（メタデータ） (2023-01-01T02:11:39Z)
• Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
  勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。 また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
  論文  参考訳（メタデータ） (2021-11-03T15:14:20Z)
• Reliable Graph Neural Networks via Robust Aggregation [1.7188280334580197]
  グラフ構造を標的とした摂動はグラフニューラルネットワーク(GNN)の性能低下に極めて有効であることが証明されている。 敵の訓練のような伝統的な防御は、堅牢性を改善することができないように思われる。 この研究は、対向的に注入されたエッジが、ノードの近傍集約関数に追加のサンプルとして、効果的に見ることができるという観察によって動機付けられている。
  論文  参考訳（メタデータ） (2020-10-29T14:55:20Z)
• SCOP: Scientific Control for Reliable Neural Network Pruning [127.20073865874636]
  本稿では,科学的制御を設定することにより,信頼性の高いニューラルネットワークプルーニングアルゴリズムを提案する。 冗長フィルタは、異なる特徴の逆数過程において発見できる。 提案手法では,ResNet-101のパラメータ57.8%,FLOP60.2%を削減できる。
  論文  参考訳（メタデータ） (2020-10-21T03:02:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。